基于粗糙集支持向量机的网络故障诊断系统

该文针对传统网络故障知识库冗余度高和稳定性难以两全的缺陷,综合运用支持向量机方法和粗糙集理论,提出了RSVM方法,实现不一致情况下的规则获取和学习样本的净化处理。该算法具有简化样本、适应性强、容错性高等特点,能有效处理网络故障诊断中噪声或不相容的信息。由于该方法选择了比SMO更大的工作集而没有增加过多的计算,总的优化步骤减少,收敛速度也更快,平均训练速度约为SMO的两倍。实验表明,利用该方法实现的系统与同类的其他方法相比,提高了诊断准确率和诊断速度。     

神经网络在网络故障诊断中的应用研究

针对传统的网络故障知识库难以共同存在的缺陷的高冗余性和稳定性,综合运用神经网络方法和粗糙集理论,提出了RSNN算法,以获得研究样品净化处理。该算法简化了样本,具有高适应性和高容错性,不容易陷入局部极小点,可以有效地处理噪声或不兼容的网络故障诊断。使用这种方法与其它相似的方法相比,可以提高诊断的精度和速度的诊断,具有一定的价值。     

基于神经网络的网络故障诊断

针对传统故障知识库冗余度高和稳定性难以两全的缺陷，提出了RSFBP算法，综合运用神经网络方法和粗糙集理论，实现对学习样本净化处理。实验表明，利用该方法实现的系统在进行网络故障诊断时可以取得较好的效果。     

战略互联网风险检测与故障分析方法

随着新一代战略互联网规模的不断扩大,网络应用不断增加,传统的网络故障诊断系统功能单一、操作复杂、效率低下,已不能满足军网管理的发展需要.基于粗糙集的神经网络理论,提出网络性能检测与故障分析的RSNN算法,实现不一致情况下的故障规则获取和学习样本的净化处理.该算法具有简化样本、适应性强、客错性高等特点,能有效处理网络故障诊断中噪声和不相容的信息.由于诊断问题的实质是一种映射,该算法用一种前馈型网络来逼近这种映射关系,实现对故障的有效分类.实验表明,利用该方法实现的系统与同类的其他方法相比,大幅提高了诊断准确率和诊断速度.     

基于小波分析的异常样本处理

数据集中各数据项间匹配关系异常的样本是难以检测的，针对此问题，文章提出了基于小波分析的异常样本检测与修复方法，该方法利用小波分析的多尺度、局部分析等特性，能有效地实现异常数据样本准确检测和修复．为了实现离散序列小波变换的快速计算，还提出了一种基于Newton-Cores公式修正后的数值积分算法．测试结果表明，该方法切实可行、效果良好、有很强的实用性．     

基于免疫聚类的特征数据浓缩方法

针对诊断特征数据中重复或相似事例样本和特征参量之间可能存在的相关性，提出一种有效的特征数据双向压缩预处理方法，该法在不损失数据隐含的特征知识的前提下，能有效降低学习机器的学习负担．在进行样本参量的降维处理时，基于主元分析的思想，采用一种改进的主元分析(MPCA)方法用于横向数据压缩，在压缩样本数量时，综述和比较了现有的各种聚类算法，借鉴生物体自然免疫系统中克隆选择以及免疫网络自稳定等有关机理，提出了基于主元核相似度的免疫聚类算法用于纵向数据压缩．仿真实验验证了所提方法的有效性．     

一种基于小波分析的异常数据样本检测与修复方法

准确的数据预处理是实现正确有效的数据挖掘和基于数据样本进行系统建模的前提和关键环节．数据预处理的一项重要任务是从大量数据样本中剔除异常样本或对受污染的样本进行清洗修复，但在数据集中各数据项间关系未知的情况下。检测异常样本比较困难，为此，文章提出了一种基于小波分析的异常数据样本检测与修复方法．该方法充分利用了小波分析的多尺度、多分辨特性，能有效地实现异常数据样本的准确检测和修复．为了实现离散序列小波变换的快速计算，文章还提出了一种基于Newton-Cores公式的修正的数值积分算法．仿真结果表明，文章提出的方法切实可行，效果盘好，有很强的实用性．     

基于算法随机性理论和奇异描述的置信学习机器

摘要根据Kolmogorov算法随机性理论，为学习机器建立了一种置信机制，描述了置信学习机器的算法．论证了通过样本奇异描述函数定义的可计算的样本序列随机性描述函数与Kolmogorov算法随机性理论中定义的，不可计算的序列随机性描述函数具有相同的意义．分别从样本空间距离、样本对分类边界的支持力度和样本应变大小3个不同的角度设计了样本奇异描述函数，利用它们实现了置信学习机器算法．该置信学习机器在Cleveland心脏病理数据识别和签名认证实验中都取得了比较满意的结果．     

基于乘性规则的支持向量域分类器

该文提出了一种基于支持向量域描述(SVDD)的学习分类器．在两类样本分类中，该算法在训练时通过对1类样本的描述求取包含1类样本的球形边界．然后通过该边界对两类样本数据进行分类，并且在求取边界的优化问题中，采用乘性规则来直接求取Lagrange乘子，而不是用传统的二次优化方法．该文所获得的学习算法和支持向量机(SVM)与序列最小优化(SMO)算法相比，不仅降低了样本的采集代价，而且在优化速度上有了很大提高．通过CBCL人脸库的仿真实验．将该算法和SVM、SOM算法的实验结果进行对比，说明了该学习算法的有效性．     

彩色地图分色算法的改进及实现

在加权模糊c-均值（FCM）聚类算法的基础上，对分色算法进行了改进．首先进行色彩空间模型转换，然后对基于样本加权的FCM算法进行改进，对隶属度进行调整，把二维彩色直方图引入加权系数中．对于模糊c-均值算法，当隶属度接近时，分类会变得模糊，而且对于不同的样本矢量，聚类效果有所不同，本算法兼顾到了这两点．该方法已用Visual C＋＋6．0编程实现，效果比较理想．     

一种新的网络故障检测方法

文章提出了一种基于粗糙集和径向基函数思想的网络层故障检测算法——RSMNBP。这种新的方法提供网络层状态数据的采集、分析、存储和响应功能,具有简化样本、适应性强、容错性高等特点,能有效处理网络层故障诊断中噪声和不相容的信息。由于检测问题的实质是一种映射,该方法用一种前馈型网络来逼近这种映射关系,实现对故障的有效分类。同时,RSMNBP的网络结构可以随着网络层中各种服务和应用的变化而构造。仿真表明,利用该方法实现的系统与同类的其他方法相比,提高了检测准确率和诊断速度。     

基于BP神经网络与粗糙集理论的分类挖掘方法

分类是数据挖掘中重要的课题,为协调决策分类,提出了一种基于粗糙集理论和BP神经网络的数据挖掘的方法。在此方法中首先用粗糙集约简决策表中的冗余属性,然后用BP神经网络进行噪声过滤,最后由粗糙集从约简的决策表中产生规则集。此方法不仅避免了从训练神经网络中提取规则的复杂性,而且有效的提高了分类的精确度。     

Extract Rules by Using Rough Set and Knowledge-Based NN

In this paper,rough set theory is used to extract roughly-correct inference rules from information systems.Based on this idea,the learning algorithm ERCR is presented.In order to refine the learned roughly-correct inference rules,the knowledge-based neural network is used.The method presented here sufficiently combines the advantages of rough set theory and neural network.     

The integrated methodology of rough set theory and artificial neural network for business failure prediction

This paper proposes a hybrid intelligent system that predicts the failure of firms based on the past financial performance data, combining rough set approach and neural network. We can get reduced information table, which implies that the number of evaluation criteria such as financial ratios and qualitative variables is reduced with no information loss through rough set approach. And then, this reduced information is used to develop classification rules and train neural network to infer appropriate parameters. The rules developed by rough set analysis show the best prediction accuracy if a case does match any of the rules. The rationale of our hybrid system is using rules developed by rough sets for an object that matches any of the rules and neural network for one that does not match any of them. The effectiveness of our methodology was verified by experiments comparing traditional discriminant analysis and neural network approach with our hybrid approach. For the experiment, the financial data of 2400 Korean firms during the period 1994–1997 were selected, and for the validation, k-fold validation was used.     

粗糙集理论框架下的神经网络建模研究及应用

为协调决策支持和分类,引入了一种新的方法,该方法将粗糙集理论和神经网络有机地结合在一起,提出了一种基于粗糙集理论的神经网络模型构造方法.首先,利用粗糙集理论智能数据分析的能力,对神经网络进行预处理,抽取关键成分作为神经网络的输入,从而确定粗糙神经网络的初始拓扑结构.在此基础上,进一步研究和分析了该模型的实现步骤,并应用原始数据对网络进行训练,最后将该模型应用于分类规则的抽取.试验结果比较表明,该模型可以有效地提高分类的精度.     

一种基于神经网络规则提取的新方法

提出了一种基于神经网络对信息系统进行规则提取的新方法。首先用粗糙集对信息系统进行属性约简,然后把条件属性作为输入,决策属性作为最后输出对多层神经网络进行训练。由相关定理对神经网络的运行结果做了理论分析,并以分析结果作为规则提取的重要依据。实验结果验证了新算法的有效性。新算法与几种传统算法相比规则提取的准确率有很大的提高。     

基于粗糙集人工神经网络的锅炉故障诊断模型

针对锅炉这种大型特种设备,提出了一种基于粗糙集和人工神经网络集成的智能故障诊断方法.该方法先利用Rs理论建立故障决策表,对原始数据进行约简,并按照一定的原则选取多个约简;然后建立神经网络故障诊断子系统,使用粗糙集处理后的数据计算出故障发生程度,研究结果表明:该方法能够正确而且高效地诊断出锅炉中各种部件的故障发生的严重程度.     

地理信息知识获取Rough-NN模型研究

提出了一种粗糙集结合神经网络的粗糙集神经网络模型，对具有高度自相关性的地理信息进行知识获取．主要思想是利用辨别矩阵形成约简算法，得到最简的if-then规则；然后构造三层神经网络模拟最简规则，其中网络的输入输出由本文提出的参数训练方法确定．本文利用VB实现该模型，并对松花江流域的洪涝干旱灾情进行了仿真实验，结果表明该模型可以快速地获取最简的if-then规则，得到正确的决策结果．